目录
前言
这篇将使用Java实现基于规则的中文分词算法，一个中文词典将实现准确率高达85%的分词结果。使用经典算法：正向最大匹配和反向最大匹配算法，然后双剑合璧，双向最大匹配。
一、中文分词理论描述
根据相关资料，中文分词概念的理论描述，我总结如下：
中文分词是将一个汉字序列切分成一个一个单独的词，将连续的字序列按照一定的规范重新组合成词序列的过程，把字与字连在一起的汉语句子分成若干个相互独立、完整、正确的单词，词是最小的、能独立活动的、有意义的语言成分。
中文分词应用广泛，是文本挖掘的基础，在中文文本处理中意义重大，对于输入的一段中文，成功的进行中文分词，可以达到电脑自动识别语句含义的效果。目前，常用流行的以及分次效果好的工具库包括：jieba、HanLP、LTP、FudanNLP等。
我们知道，调用工具方便容易，但是如果自己实现写一个算法实现，那不是更加有成就感^_^。
接下来将一步步介绍最容易理解，最简单，效果还很不错的中文分词算法，据说准确率能达到85%！！
二、算法描述
1、正向最大匹配算法
所谓正向，就是从文本串左边正向扫描，取出子串与词典进行匹配。
算法我分为两步来理解：
假设初始化取最大匹配长度为MaxLen，当前位置pos=0，处理结果result=””，每次取词str，取词长度len，待处理串segstr。
- len=MaxLen，取字符串0到len的子串，查找词典，若匹配到则赋值str，加到result，在保证pos+len<=segstr.length()情况下，pos=pos+len,向后匹配，直到字符串扫描完成，结束算法。
- 若词典未找到，若len>1,减小匹配长度同时len=MaxLen-1,执行步骤（1），否则，取出剩余子串,执行步骤（1）。
算法代码如下：
public void MM(String str, int len, int frompos) { if (frompos + 1 > str.length()) return; String curstr = ""; //此处可以设置断点 int llen = str.length() - frompos; if (llen <= len)//句末边界处理 curstr = str.substring(frompos, frompos + llen);//substring获取的子串是下标frompos~frompos+llen-1 else curstr = str.substring(frompos, frompos + len); if (dict.containsKey(curstr)) { result = result + curstr + "/ "; Len = MaxLen; indexpos = frompos + len; MM(str, Len, indexpos); } else { if (Len > 1) { Len = Len - 1; } else { result = result + str + "/ "; frompos = frompos + 1; Len = MaxLen; } MM(str, Len, frompos); } }
从算法代码看出，很容易理解，细节部分在于边界处理。
测试一下，我输入文本，"我爱自然语言处理，赞赏评论收藏我的文章是我的动力！赶紧关注！"
分词结果：
2、反向最大匹配算法
反向，则与正向相反，从文本串末向左进行扫描。
假设初始化取最大匹配长度为MaxLen，当前位置pos为字符串尾部，处理结果result=””，每次取词str，取词长度len，待处理串segstr。
- len=MaxLen，取字符串pos-len到pos的子串，查找词典，若匹配到则赋值str，加到result，同时pos=pos-len,保证pos-len>=0,向前移动匹配，直到字符串扫描完成，结束算法。
- 若词典未找到，若len>1,减小匹配长度同时len=MaxLen-1,执行步骤（1），否则，取出剩余子串,执行步骤（1）。
算法逻辑类似，取相反方向处理。
public void RMM(String str, int len, int frompos) { if (frompos < 0) return; String curstr = ""; //此处可以设置断点 if (frompos - len + 1 >= 0)//句末边界处理 curstr = str.substring(frompos - len + 1, frompos + 1);//substring获取的子串是下标frompos~frompos+llen-1 else curstr = str.substring(0, frompos + 1);//到达句首 if (dict.containsKey(curstr)) { RmmResult = curstr + "/ " + RmmResult; Len = MaxLen; indexpos = frompos - len; RMM(str, Len, indexpos); } else { if (Len > 1) { Len = Len - 1; } else { RmmResult = RmmResult + str + "/ "; frompos = frompos - 1; Len = MaxLen; } RMM(str, Len, frompos); } }
同样，细节部分在于边界处理，其他基本相同。
3、双剑合璧
这里所说的是正向与反向结合，实现双向最大匹配。
双向最大匹配算法，基于正向、反向最大匹配，对分词结果进一步处理，比较两个结果，做的工作就是遵循某些原则和经验，筛选出两者中更确切地分词结果。原则如下：
- 多数情况下，反向最大匹配效果更好，若分词结果相同，则返回RMM结果；
- 遵循切分最少词原则，更大匹配词为更好地分词结果，比较之后返回最少词的切分结果；
- 根据切分后词长度的大小，选择词长度大者为最终结果。
具体也需要看开始给定的最大匹配长度为多少。以下代码只实现了原则（1）、（2）。
public String BMM() throws IOException { String Mr = MM_Seg(); String RMr = RMM_Seg(); if (Mr.equals(RMr)) { return "双向匹配相同，结果为：" + Mr; } else { List<String> MStr; List<String> RStr; MStr = Arrays.asList(Mr.trim().split("/")); RStr = Arrays.asList(RMr.trim().split("/")); if (MStr.size() >= RStr.size()) {//多数情况下，反向匹配正确率更高 return "双向匹配不同，最佳结果为：" + RMr; } else return "双向匹配不同，最佳结果为：" + Mr; } }
另外，这与使用的词典大小有关，是否包含常用词。
三、案例描述
如果上面还不能完全理解，下面的例子可以更好的理解算法执行过程。
正向最大匹配算法：
取MaxLen=3，SegStr=”对外经济技术合作与交流不断扩大”,maxNum=3,len=3,result=””,pos=0,curstr=””.
第一次，curstr=”对外经”，查找词典，未找到，将len-1，得到curstr=”对外”，此时匹配到词典，将结果加入result=”对外/ ”.pos=pos+len.
第二次，curstr=”经济技”，查找词典，未找到，将len-1，得到curstr=”经济”，此时匹配到词典，将结果加入result=”对外/ 经济/ ”.pos=pos+len.
以此类推...
最后一次，边界，pos=13，因为只剩下”扩大”两个字，所以取出全部，查找词典并匹配到，将结果加入result=”对外/ 经济/ 技术/ 合作/ 与/ 交流/ 不断/ 扩大/ ”.此时pos+1>SegStr.length(),结束算法。
反向最大匹配算法：
取MaxLen=3，SegStr=”对外经济技术合作与交流不断扩大”,maxNum=3,len=3,result=””,pos=14,curstr=””.
第一次，curstr=”断扩大”，查找词典，未找到，将len-1，得到curstr=”扩大”，此时匹配到词典，将结果加入result=”扩大/ ”.pos=pos-len.
第二次，MaxLen=3，curstr=”流不断”，查找词典，未找到，将len-1，得到curstr=”不断”，此时匹配到词典，将结果加入result=”不断/ 扩大/ ”.pos=pos-len.
以此类推...
最后一次，边界，pos=1，因为只剩下”对外”两个字，所以取出全部，查找词典并匹配到，将结果加入result=”对外/ 经济/ 技术/ 合作/ 与/ 交流/ 不断/ 扩大/ ”.此时pos-1<0,结束算法。
四、JAVA实现完整代码
除了分词算法实现，还需要读入词典，对词典进行预处理，具体如下：
package ex1; import java.io.BufferedReader; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; import java.io.InputStreamReader; import java.util.*; public class seg { String result; String RmmResult; String segstring; int MaxLen; int Len; int indexpos; Map<String, String> dict; public seg(String inputstr, int maxlen) {//构造函数 segstring = inputstr; MaxLen = maxlen; Len = MaxLen; indexpos = 0; result = ""; RmmResult = ""; dict = new HashMap<String, String>(); } public void ReadDic() throws FileNotFoundException, IOException { BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream("chineseDic.txt"), "GBK")); String line = null; while ((line = br.readLine()) != null) { String[] words = line.trim().split(",");//词典包含词性标注，需要将词与标注分开，放入列表 String word = words[0]; String cx = words[1]; dict.put(word, cx); } br.close(); } public String MM_Seg() throws IOException {//正向最大匹配算法 try { ReadDic();//读入字典 MM(segstring, MaxLen, 0);//正向最大分词 return result; } catch (IOException e) { return "Read Error!"; } } public void MM(String str, int len, int frompos) { if (frompos + 1 > str.length()) return; String curstr = ""; //此处可以设置断点 int llen = str.length() - frompos; if (llen <= len)//句末边界处理 curstr = str.substring(frompos, frompos + llen);//substring获取的子串是下标frompos~frompos+llen-1 else curstr = str.substring(frompos, frompos + len); if (dict.containsKey(curstr)) { result = result + curstr + "/ "; Len = MaxLen; indexpos = frompos + len; MM(str, Len, indexpos); } else { if (Len > 1) { Len = Len - 1; } else { result = result + str + "/ "; frompos = frompos + 1; Len = MaxLen; } MM(str, Len, frompos); } } public String RMM_Seg() throws IOException {//正向最大匹配算法 try { ReadDic();//读入字典 RMM(segstring, MaxLen, segstring.length() - 1);//正向最大分词 return RmmResult; } catch (IOException e) { return "Read Error!"; } } public void RMM(String str, int len, int frompos) { if (frompos < 0) return; String curstr = ""; //此处可以设置断点 if (frompos - len + 1 >= 0)//句末边界处理 curstr = str.substring(frompos - len + 1, frompos + 1);//substring获取的子串是下标frompos~frompos+llen-1 else curstr = str.substring(0, frompos + 1);//到达句首 if (dict.containsKey(curstr)) { RmmResult = curstr + "/ " + RmmResult; Len = MaxLen; indexpos = frompos - len; RMM(str, Len, indexpos); } else { if (Len > 1) { Len = Len - 1; } else { RmmResult = RmmResult + str + "/ "; frompos = frompos - 1; Len = MaxLen; } RMM(str, Len, frompos); } } public String BMM() throws IOException { String Mr = MM_Seg(); String RMr = RMM_Seg(); if (Mr.equals(RMr)) { return "双向匹配相同，结果为：" + Mr; } else { List<String> MStr; List<String> RStr; MStr = Arrays.asList(Mr.trim().split("/")); RStr = Arrays.asList(RMr.trim().split("/")); if (MStr.size() >= RStr.size()) {//多数情况下，反向匹配正确率更高 return "双向匹配不同，最佳结果为：" + RMr; } else return "双向匹配不同，最佳结果为：" + Mr; } } public String getResult() { return result; } public static void main(String[] args) throws IOException, Exception { seg s = new seg("我爱自然语言处理，赞赏评论收藏我的文章是我的动力！赶紧关注！", 3); // String result = s.MM_Seg(); String result = s.RMM_Seg(); System.out.println(result); } }
五、组装UI
我是用的开发软件为是IDEA，一个方便之处可以拖动组件组装UI界面。也可以自行写JavaFX实现简单布局。
这是简单页面的设计：
UI界面可以有更好的用户体验，通过UI界面的元素调用方法，减少每次测试运行算法脚本的繁琐。
实验演示：
每次可以观察不同最大匹配长度分词后的结果。
"年中"词语解析：
在词典中，是这样的，可以发现满足最大匹配。
双向最大匹配算法，结果提示：
六、总结
这篇介绍了使用Java实现基于规则的中文分词算法，使用经典算法：正向最大匹配和反向最大匹配算法，然后双剑合璧，双向最大匹配。最后设计简单UI界面，实现稍微高效的中文分词处理，结果返回。
- 双向最大匹配算法原则，希望句子最长词保留完整、最短词数量最少、单字词问题，目前只解决了句子切分最少词问题。
- 正向反向匹配算法可以进一步优化结构，提高执行效率，目前平均耗时20ms。
- UI界面增加输入输出提示语，方便用户使用，在正确的区域输入内容。
- 将最大匹配长度设置为可输入，实现每次可以观察不同MaxLen得到的切分结果。
-
双向最大匹配按钮点击之后，返回结果同时返回MM和RMM结果是否一样的提示，方便查看。
我的博客园：https://www.cnblogs.com/chenzhenhong/p/13748042.html
我的CSDN博客： https://blog.csdn.net/Charzous/article/details/108817914